Uruchom flagowy Wan 3.0 od Alibaba w przeglądarce: klipy do 30 sekund z już dołączonym dźwiękiem, tryb pierwszej i ostatniej klatki, który dokładnie ustala, gdzie ujęcie się zaczyna i kończy, oraz tryb referencji, który odczytuje obrazy, wideo i audio w jednym żądaniu.
Wan 3.0 to Tongyi Wanxiang 3.0 firmy Alibaba, następca Wan 2.7, udostępniany tutaj na punkcie końcowym alibaba/wan-3.0 za pośrednictwem naszego dostawcy wideo. Trzy tryby dzielą jeden panel: tekst-na-wideo z samego promptu, obraz-na-wideo, który przypina pierwszą klatkę i opcjonalnie ostatnią klatkę, oraz referencja-na-wideo, który odczytuje do 10 obrazów, 5 klipów wideo i 5 ścieżek audio w jednym żądaniu, każdy cytowany w prompcie numerem. Jego definiujące liczby to zakres: dowolna pełna sekunda od 2 do 30, trzy rozdzielczości od poziomu roboczego 480p do 1080p oraz dźwięk generowany z każdym klipem.
Kompromisy są konkretne. 1080p to sufit — materiał 4K należy do Kling 3.0. Nadrzędne API definiuje tryb inteligentnego czasu trwania, który sam wybiera długość klipu; rezerwuje on kredyty przy limicie 30 sekund, więc nie podłączyliśmy go — tutaj sam wybierasz konkretną długość. Sekundy wideo referencyjnego wliczają się do rozliczenia, co podgląd ceny pokazuje, zanim się zobowiążesz. Dwa klipy niżej na tej stronie generowały się u nas 3m 33s (5 sekund, 720p) i 7m 32s (20 sekund, 720p) — planuj w minutach, nie w sekundach, przy długich ujęciach.
Tongyi Wanxiang 3.0 firmy Alibaba generuje klipy do 30 sekund z natywnym dźwiękiem, przypina dokładną pierwszą i ostatnią klatkę ujęcia oraz odczytuje obrazy, klipy wideo i ścieżki audio razem w jednym żądaniu referencyjnym — rozliczane za sekundę od budżetowego poziomu 480p.
Większość modeli wideo AI zatrzymuje się na 10 lub 15 sekundach; Wan 3.0 działa do 30 w jednej ciągłej generacji. To wystarczająco długo na pełną prezentację produktu, scenę z dialogiem lub sekwencję ujęć bez późniejszego łączenia klipów. Wybierz dowolną pełną sekundę od 2 do 30 — płacisz za sekundę, więc 6-sekundowy szkic i 30-sekundowa wersja finalna są wyceniane dokładnie proporcjonalnie.
Obraz-na-wideo wykracza tu poza animowanie pojedynczego zdjęcia: prześlij pierwszą klatkę i, opcjonalnie, ostatnią klatkę, a Wan 3.0 interpoluje ruch między twoimi dwoma stałymi punktami końcowymi. To jedyny model w porównaniu niżej na tej stronie, który akceptuje ostatnią klatkę — różnica między „zacznij od tego obrazu” a „przejdź z dokładnie tego obrazu do dokładnie tamtego”.
Referencja-na-wideo akceptuje mieszany materiał w jednym żądaniu — do 10 obrazów, 5 krótkich klipów wideo i 5 ścieżek audio — a prompt odnosi się do każdego numerem: „postać z Image 1, poruszająca się jak Video 1, z muzyką jak Audio 1”. Obrazy referencyjne i audio są darmowe; sekundy wideo referencyjnego są dodawane do rozliczanego czasu trwania, a koszt pokazuje się, zanim wygenerujesz.
Dźwięk — głosy, efekty, otoczenie — jest generowany z klipem, a jego wyłączenie kosztuje tyle samo, więc nigdy nie ma dopłaty za dźwięk. Trzy rozdzielczości rozliczają się w czystej proporcji: 480p po 40 kredytów za sekundę dla szkiców, 720p po 80 i 1080p po 160 dla wersji finalnych. Iterowanie w 480p i kończenie w 1080p utrzymuje 30-sekundową produkcję w przystępnej cenie.
Wygenerowano tutaj 26 sierpnia 2026, za pierwszym podejściem, dokładne prompty i ustawienia pokazane. Klip 20-sekundowy istnieje, żeby udowodnić powyższe twierdzenie o długim ujęciu — jedna generacja, bez cięć, bez sklejania.
One continuous handheld shot following a food vendor through a night market: she ladles broth at her stall, hands a bowl to a customer, wipes the counter, then looks up smiling as lanterns sway overhead, ambient market chatter and sizzling sounds throughout, no cuts.
A cellist practicing alone in a sunlit rehearsal room, bow moving across the strings, warm resonant cello notes filling the space, dust motes in the light, slow push-in.
To model długiej formy i precyzji w tej grupie: sufit 30 sekund, jedyna kontrola ostatniej klatki i najszerszy zestaw narzędzi referencyjnych.
Prezentacje produktów, sceny z dialogiem i sekwencje wieloetapowe trwają do 30 sekund w jednej generacji — bez łączenia, bez szwów ciągłości między klipami, a ścieżka audio obejmuje całe ujęcie.
Tryb pierwszej i ostatniej klatki przyjmuje dwa obrazy i interpoluje ruch między nimi — transformację, ujawnienie, ruch kamery, który musi trafić w konkretną kompozycję. Żaden inny model na tej stronie nie przyjmuje ostatniej klatki.
Przekaż mu postać z jednego obrazu, styl ruchu z klipu wideo i ścieżkę muzyczną, a każdy z nich wskaż numerem w prompcie. Dziesięć obrazów, pięć klipów i pięć ścieżek audio może kształtować jedną generację.
Poziom 480p rozliczany jest za ćwierć stawki 1080p przy identycznym zachowaniu promptu, więc możesz iterować 30-sekundowy montaż za 1,200 kredytów i wyrenderować wersję finalną za 4,800 dopiero wtedy, gdy będzie dobra.
1080p to sufit — materiał 4K należy do Kling 3.0. A tryb inteligentnej długości z wyższej warstwy nie jest tu podpięty, więc zawsze wybierasz konkretną długość między 2 a 30 sekund.
Ten sam obszar roboczy, ta sama pula kredytów — przełączenie między dowolnymi z nich to jedno kliknięcie.
| Wan 3.0 | Wan 2.7 | MiniMax H3 | Kling 3.0 | |
|---|---|---|---|---|
| Rozdzielczości | 480p · 720p · 1080p | 720p · 1080p | 768p · 2K | 720p · 1080p · 4K |
| Długość klipu | 2–30s, każda pełna sekunda | 2–15s, dowolna pełna sekunda | 4–15s, dowolna pełna sekunda | 3–15s, dowolna pełna sekunda |
| Jak jest rozliczany | Za sekundę wyniku; sekundy wideo referencyjnego doliczane | Za sekundę wyjścia | Za sekundę wyniku; sekundy wideo referencyjnego doliczane | Za sekundę wyjścia |
| Dźwięk | Natywnie, domyślnie włączone — włączenie i wyłączenie kosztują tyle samo | Natywny, zawsze włączony, bez przełącznika | Natywny, zawsze włączony, bez przełącznika | Opcjonalny przełącznik, domyślnie wyłączony |
| Kredyty za sekundę, poziom budżetowy | 40 przy 480p | Nie oferowane — podłogą jest 720p | 55 przy 768p | 45 przy 720p, bez dźwięku |
| Kredyty na sekundę, 1080p | 160 | 70 | Nie oferowane — jego najwyższy poziom to 2K za 90 | 60 bez dźwięku · 85 z dźwiękiem |
| Kredyty za 6-sekundowy klip w 1080p | 960 | 420 | Nie oferowane w 1080p | 360 bez dźwięku · 510 z dźwiękiem |
| Kredyty za jeden klip, od podłogi do sufitu | 80–4,800 | 80–1,050 | 220–2,820 | 135–3,000 |
| Obraz-na-wideo | Pierwsza klatka + opcjonalna ostatnia klatka | Tylko pierwsza klatka | Tylko pierwsza klatka | Tylko pierwsza klatka |
| Materiał referencyjny | Do 10 obrazów + 5 filmów + 5 ścieżek audio, cytowane jako Image 1 / Video 1 / Audio 1 | Do 5 obrazów, cytowane jako Image 1, Image 2 … | Do 9 obrazów + 3 filmów + 3 ścieżki audio | Brak — pojedynczy obraz jest pierwszą klatką |
| Proporcje obrazu | 5 — 16:9, 9:16, 1:1, 4:3, 3:4 | 5 — 16:9, 9:16, 1:1, 4:3, 3:4 | 6 — od 16:9 do 21:9 | 3 — 16:9, 9:16, 1:1 |
| Prędkość, którą sami zmierzyliśmy | 3m 33s za 5s i 7m 32s za 20s, oba 720p (2 klipy, sierpień 2026) | Nie mierzono | Nie mierzono | Nie mierzono |
Każda rozdzielczość, długość klipu i liczba kredytów w tej tabeli pochodzi z naszego własnego rejestru modeli i tabel stawek w naszym kodzie z 26 sierpnia 2026 — z tych samych tabel, które wyceniają twoje generacje, a nie ze stron marketingowych dostawców. Wszystkie cztery modele rozliczają się za sekundę, więc kwoty za klip to stawka pomnożona przez wybraną długość; Wan 3.0 i MiniMax H3 dodatkowo wliczają do rozliczenia sekundy wideo referencyjnego. Jedynymi liczbami dotyczącymi szybkości są dwa klipy Wan 3.0, które sami wygenerowaliśmy i zmierzyliśmy; każda inna komórka mówi Nie mierzyliśmy, zamiast pożyczać liczbę.
Porównaj Wan 3.0 z innymi modelami wideo — to samo środowisko pracy, jedno kliknięcie, aby przełączyć.
| Model | wan-3.0 (Tongyi Wanxiang 3.0) od Alibaba — obsługiwany przez endpoint alibaba/wan-3.0 |
|---|---|
| Tryby | Wideo z tekstu, wideo z obrazu z kontrolą pierwszej i ostatniej klatki oraz wideo z referencji z mieszanymi materiałami graficznymi, wideo i audio |
| Rozdzielczość | 480p, 720p i 1080p — rozliczane w proporcji 1x / 2x / 4x |
| Czas trwania | 2–30 sekund, dowolna pełna sekunda (domyślnie 5) — najdłuższy zakres na tej platformie |
| Proporcje obrazu | 16:9, 9:16, 1:1, 4:3 i 3:4 dla wideo z tekstu i z referencji; wideo z obrazu dopasowuje się do pierwszej klatki |
| Materiały referencyjne | Do 10 obrazów, 5 klipów wideo (łącznie 15 sekund) i 5 ścieżek audio, przywoływanych w prompcie jako Image 1, Video 1, Audio 1 |
| Pierwsza / ostatnia klatka | Wideo z obrazu przyjmuje ściśle określoną pierwszą klatkę i opcjonalną ostatnią klatkę; klatki i materiał referencyjny wzajemnie się wykluczają na poziomie dostawcy |
| Dźwięk | Natywny — głosy, efekty i tło dźwiękowe generowane razem z klipem; dźwięk włączony i wyłączony kosztują tyle samo |
| Kredyty | Za sekundę wyniku: 40 przy 480p, 80 przy 720p, 160 przy 1080p — ta sama stawka we wszystkich trzech trybach |
| Rozliczanie wideo referencyjnego | Sekundy wideo referencyjnego doliczane są do rozliczanego czasu; obrazy i audio referencyjne są bezpłatne |
| Zakres kredytów na klip | 80 za 2-sekundowy klip 480p, do 4,800 za 30-sekundowy klip 1080p (plus ewentualne sekundy wideo referencyjnego) |
| Anulowanie | Nieudane generowania są refundowane automatycznie |
| Zmierzona szybkość | 3m 33s za 5-sekundowy klip 720p i 7m 32s za 20-sekundowy klip 720p (2 klipy, 26 sierpnia 2026) |
Otwórz selektor modeli i wybierz Wan 3.0. Panel pokazuje koszt w kredytach, opcje rozdzielczości i limity czasu trwania, zanim cokolwiek wydasz.
Opisz temat, akcję i to, jak zachowuje się kamera. Dołącz pierwszą klatkę, jeśli klip ma zaczynać się od konkretnego obrazu.
Pobierz klip, przedłuż go albo przekaż do dalszej edycji. Prompt, model i ustawienia zostają przy nim w historii.
Jedno konto, cały proces generowania obrazów i wideo.
Uruchamiaj Wan 3.0 za darmowe dzienne kredyty z planu bezpłatnego albo przejdź na wyższy plan, aby uzyskać modele premium, szybsze generowanie i wyniki w 4K.
Idealny na początek
Rozliczenie roczne · $240/rok
Rozliczenie roczne · $380/rok
Długie ujęcia i kontrolowane kadry: klipy do 30 sekund z natywnym dźwiękiem, tryb pierwszej i ostatniej klatki, który dokładnie wyznacza, gdzie ujęcie się zaczyna i kończy, oraz tryb referencyjny, który odczytuje obrazy, wideo i audio razem w jednym żądaniu.
Za sekundę wyniku: 40 kredytów przy 480p, 80 przy 720p, 160 przy 1080p — ta sama stawka dla wideo z tekstu, z obrazu i z referencji. Sekundy wideo referencyjnego doliczane są do rozliczanego czasu; obrazy i audio referencyjne są bezpłatne. Dokładny koszt wyświetla się przed generowaniem, a nieudane uruchomienia są automatycznie refundowane.
Wideo z samego promptu, wideo z pierwszej klatki (z opcjonalną ostatnią klatką) oraz wideo z referencji z maksymalnie 10 obrazami, 5 klipami wideo i 5 ścieżkami audio, przywoływanymi w prompcie jako Image 1, Video 1, Audio 1.
Od 2 do 30 sekund, co do jednej pełnej sekundy — najdłuższy zakres spośród wszystkich modeli wideo na tej platformie. Dźwięk jest generowany wraz z klipem przy każdej długości.
Wan 3.0 podwaja górny limit długości (30s vs 15s), dodaje budżetowy poziom 480p i kontrolę ostatniej klatki oraz rozszerza referencje z 5 obrazów na mieszany materiał obraz + wideo + audio. Wan 2.7 pozostaje wyborem z niższą stawką przy 720p (40 vs 80 kredytów za sekundę) do krótszych prac wieloujęciowych.
Kredyty są zwracane automatycznie za nieudane generowania wideo — płacisz tylko za klipy, które zostaną ukończone.
Narzędzia na jedno kliknięcie do wszystkiego wokół generowania — dopracuj, zmień styl, udostępnij.
Wan 3.0 (Alibaba Tongyi Wanxiang 3.0) integrated — clips up to 30 seconds with native audio, first-and-last-frame control, and reference-to-video that reads up to 10 images, 5 video clips and 5 audio tracks in one request. 480p/720p/1080p at 40/80/160 credits per second.
